Visual Distances among Cultural Art Corpora Align with Expert-Coded Historical-Artistic Relatedness

A história da arte há muito depende do olhar treinado de estudiosos para rastrear os fios invisíveis que conectam culturas através do tempo e do espaço. Especialistas passaram séculos documentando como um estilo de drapeado poderia viajar da Grécia para a Índia, ou como o conceito de uma pirâmide poderia emergir independentemente no Egito e nas Américas. Essas conexões nem sempre são óbvias; elas estão frequentemente enterradas sob milhares de anos de mudanças, escondidas nos detalhes sutis de ornamentos, formas e materiais. Para um ser humano, reconhecer esses elos históricos profundos requer anos de estudo e acesso a vastas bibliotecas de registros. Mas e se uma máquina, treinada em toda a história visual da internet, pudesse ver essas mesmas conexões sem nunca ter lido um livro de história? Esta questão situa-se na interseção entre a inteligência artificial e o estudo cultural, questionando se os padrões matemáticos ocultos dentro dos sistemas de visão computacional espelham acidentalmente a maneira como os especialistas humanos compreendem a evolução da arte.

Uma equipe de pesquisadores partiu para testar essa ideia em escala global, indo além do foco habitual na arte ocidental para incluir tradições de cinco continentes abrangendo cinco mil anos. Eles reuniram uma coleção massiva de imagens representando cinquenta e três unidades culturais distintas, variando desde a antiga região mediterrânea até linhagens indígenas oceânicas. Para criar um padrão confiável de comparação, recrutaram dez especialistas cegos — especialistas em história da arte, arqueologia e estudos de museus — para avaliar o quão próximas as culturas estavam relacionadas cada um dos pares possíveis dessas unidades culturais. Os especialistas não estavam procurando por uma simples semelhança visual, como duas pinturas que utilizam a cor azul. Em vez disso, foram solicitados a julgar a relação histórica com base em evidências documentadas de contato cultural e tradições visuais compartilhadas. O resultado foi um mapa detalhado do julgamento humano, um consenso sobre quais culturas estão historicamente ligadas e quais não estão, cobrindo mais de mil e trezentos pares de comparações.

Os pesquisadores então voltaram-se para seis modelos de visão de grande escala diferentes, o tipo de sistema de inteligência artificial que alimenta ferramentas de reconhecimento e geração de imagens hoje em dia. Esses modelos haviam sido treinados em bilhões de imagens da internet, aprendendo a comprimir informações visuais em espaços matemáticos onde imagens semelhantes ficam próximas e diferentes ficam distantes. A equipe mediu a distância entre os cinquenta e três grupos culturais dentro desses espaços digitais. Se as máquinas não tivessem aprendido nada sobre história da arte, as distâncias entre esses grupos seriam aleatórias. Se elas tivessem aprendido a imitar os especialistas humanos, os grupos que os especialistas disseram estar historicamente ligados deveriam aparecer mais próximos uns dos outros na mente da máquina.

As descobertas revelaram um alinhamento impressionante. Através de todos os seis tipos diferentes de modelos de inteligência artificial testados, a distância matemática entre os grupos culturais correspondeu consistentemente aos julgamentos dos especialistas humanos. Quando os especialistas disseram que duas tradições estavam historicamente conectadas, os modelos as colocaram mais próximas. Quando os especialistas disseram que eram não relacionadas, os modelos as colocaram mais distantes. Esse padrão manteve-se verdadeiro mesmo quando os pesquisadores controlaram a geografia, garantindo que a conexão não fosse simplesmente porque duas culturas por acaso viviam perto uma da outra. O sinal foi forte o suficiente para ser detectado mesmo entre culturas separadas por vastos oceanos, como a antiga tradição grega e a arte budista de Gandhara, um exemplo clássico de influência transcultural que viajou milhares de quilômetros.

O estudo não afirmou que essas máquinas possuam uma compreensão consciente da história ou que possam substituir os estudiosos humanos. Os pesquisadores foram cuidadosos ao notar que os padrões encontrados pelos modelos provavelmente refletem as regularidades estatísticas presentes nas imagens para as quais foram treinados, que são, por si só, moldadas pela forma como os museus e arquivos coletaram e categorizaram a arte durante séculos. Os modelos não aprenderam história da arte em uma sala de aula; eles aprenderam as impressões digitais visuais do contato cultural porque essas impressões digitais estão incorporadas nos dados que consumiram. No entanto, o fato de seis arquiteturas diferentes, treinadas com objetivos distintos, terem chegado à mesma conclusão sugere que a evidência visual da transmissão cultural é robusta e detectável. Isso indica que o registro visual em escala de internet, apesar de seus vieses e lacunas, contém uma estrutura coerente que espelha as relações documentadas por séculos de erudição humana.

Para garantir que os resultados não fossem um artefato das imagens específicas escolhidas, a equipe também realizou uma verificação perceptual com quatro mil e quinhentos participantes de doze países diferentes. Eles pediram que pessoas comuns, sem treinamento em história da arte, distinguissem entre categorias amplas de estilos visuais. Os participantes foram capazes de distinguir as categorias, confirmando que as diferenças visuais usadas no estudo eram reais e perceptíveis ao olho humano. Isso adicionou uma camada de validação, mostrando que os padrões encontrados pelas máquinas não eram apenas peculiaridades matemáticas, mas correspondiam a algo visualmente distinto no mundo real.

A pesquisa também destacou as limitações dos próprios dados. A forma como as cinquenta e três unidades culturais foram definidas refletia a história desigual da história da arte como disciplina, com as tradições europeias sendo decompostas em muitas categorias finas, enquanto outras regiões, como partes da África e das Américas, foram agrupadas em unidades mais amplas e menos detalhadas. Os pesquisadores reconheceram que esse viés estrutural nos dados provavelmente influenciou os resultados e pediram que trabalhos futuros envolvam colaboradores indígenas e não ocidentais para criar estruturas mais equitativas. No entanto, o achado central permaneceu estável: as distâncias visuais calculadas por esses poderosos sistemas de inteligência artificial alinham-se significativamente com a relação histórica codificada por especialistas.

Este trabalho oferece uma nova maneira de olhar para a história global da arte. Sugere que a vasta e desordenada coleção de imagens na internet, quando processada pela inteligência artificial moderna, pode revelar as mesmas conexões estruturais profundas que especialistas humanos passaram séculos desvendando. Não substitui a necessidade de interpretação humana ou o estudo cuidadoso dos registros históricos, mas fornece uma ferramenta poderosa para ver padrões em escalas que seriam difíceis de mapear manualmente. O estudo confirma que a linguagem visual da cultura humana, com todas as suas migrações, trocas e invenções independentes, deixa uma assinatura estatística que até mesmo uma máquina treinada na internet pode aprender a ler.